AI logistika jídla: co ukazuje příběh MOTO Pizza

Drony s pizzou zní jako marketingový trik. Jenže když se na to podíváte optikou potravinářství a zemědělství, jde o něco mnohem důležitějšího: o poslední kilometr v dodavatelském řetězci, kde se dnes ztrácí čas, peníze i kvalita.

Americká MOTO Pizza na konci roku 2023 oznámila, že získala 1,85 milionu dolarů na rozvoj automatizace a expanzi. V praxi to znamená kombinaci robotiky v kuchyni, pilotů s doručováním drony a růstu do dalších lokalit. Pro náš seriál „Umělá inteligence v zemědělství a potravinářství“ je to překvapivě užitečná případová studie: ukazuje, jak se AI a automatizace promítají do efektivnější výroby, menšího plýtvání a stabilnější kvality – a to nejen u pizzy.

Níže rozebírám, co si z toho můžou odnést potravinářské provozy, výrobci, cateringu i firmy, které řeší distribuci čerstvých produktů.

Proč „pizzová automatizace“ zajímá potravinářství víc, než se zdá

Odpověď napřímo: Protože restaurace je v podstatě malá potravinářská továrna s extrémně proměnlivou poptávkou – a když to zvládne tam, dá se stejný princip škálovat i do výroby a logistiky potravin.

MOTO Pizza staví růst na tom, že standardizuje procesy a přidává technologie: automatizované stanice, robotická příprava vybraných položek a plán doručovat přes dronového operátora. Jde o trend, který v roce 2025 vidíme napříč oborem: automatizace není o „méně lidech“, ale o méně chaosu.

V potravinářství se chaos nejčastěji projeví třemi způsoby:

• Kolísání kvality (stejný produkt chutná jinak podle směny nebo lokality)
• Ztráty a odpady (přesoleno, přepáleno, špatně načasovaná příprava, prošlá surovina)
• Neefektivní práce (čekání, přenášení, dohledávání, ruční evidence)

Jakmile máte v procesu senzoriku, konzistentní dávkování a data, nastupuje AI: dokáže předpovídat poptávku, řídit zásoby, plánovat směny a hlídat kvalitu v reálném čase.

Robotika v kuchyni jako „mikro-výroba“: co se dá zautomatizovat hned

Odpověď napřímo: Nejrychlejší návratnost mívají kroky, které jsou opakované, měřitelné a mají jasný standard – dávkování, kompletace, teplotní profily, expedice.

Z článku víme, že MOTO rozšiřuje technologické portfolio a testuje robota na „bowl“/salátové sestavy. V praxi je to chytrý tah: saláty a misky jsou typicky surovinově citlivé (čerstvost, teplota, hygiena) a současně snadno standardizovatelné (gramáže, pořadí ingrediencí).

Kde AI a automatizace opravdu pomáhá

V typickém gastro/potravinářském provozu se vyplatí začít tam, kde je nejvíc variability:

1. Predikce poptávky (AI forecasting)

   • cílem není věštit budoucnost, ale snížit výkyvy ve výrobě
   • vstupy: historie objednávek, kalendář akcí, počasí, lokální události, promo

2. Řízení zásob a expirací (FEFO + AI)

   • AI umí doporučit nákupní množství a „přesuny“ mezi pobočkami
   • přínos: méně vyhozených surovin, méně nouzových nákupů

3. Standardizace dávkování a receptur

   • robotika nebo „chytré“ dávkovače s váhovými senzory
   • přínos: konzistence a lepší kontrola nákladů na porci

4. Kontrola kvality pomocí senzorů

   • teplotní sondy, kamerové systémy, kontrola doby pečení
   • přínos: méně reklamací, méně přepečení a zmetků

Můj názor: většina firem začíná špatně – koupí robota jako atrakci. Lepší je začít daty a standardem. Robot pak dává smysl jako fyzické prodloužení dobře navrženého procesu.

Dronové doručování: proč je to hlavně o AI logistice

Odpověď napřímo: Dron není „rychlejší kurýr“. Dron je logistický uzel, který potřebuje AI, aby dával ekonomický smysl.

MOTO plánovalo doručování přes drony ve spolupráci se specializovaným operátorem. Z pohledu dodavatelského řetězce je důležité, že dronové doručování vyžaduje:

• přesné plánování kapacit (kolik letů za hodinu, jaké trasy, jaké výluky)
• okna doručení (časová přesnost je pro teplé jídlo klíčová)
• kontrolu teploty a integrity zásilky
• integraci s objednávkovými systémy a expedicí

Co se dá přenést do zemědělství a distribuce čerstvých potravin

U čerstvých produktů (mléčné, maso, „ready-to-eat“, ovoce/zelenina) bývá největší problém zkrácení času mezi sklizní/výrobou a spotřebou. Drony nejsou univerzální odpověď, ale ukazují směr:

• mikro-fulfillment: menší distribuční body blíž zákazníkům
• dynamické směrování: AI přesměruje zásilky podle dopravní situace a poptávky
• citlivé komodity: nejvyšší hodnota je u produktů, kde čas a teplota rozhodují o ztrátách

Pokud jste výrobce nebo distributor, položte si jednoduchou otázku: Kolik procent našich ztrát vzniká kvůli času a teplotě v posledním úseku? Právě tam dává AI logistika nejrychlejší efekt.

Expanze do dalších lokalit: AI jako „kopírovací stroj“ procesů

Odpověď napřímo: Když firma roste, AI a standardizace jsou jediný způsob, jak udržet kvalitu bez exponenciálního růstu nákladů na dohled.

MOTO plánovalo otevírat nové pobočky a vstoupit mimo domovský stát. To je moment, kdy se bez procesního řízení a dat obvykle začne lámat chleba:

• každá pobočka nakupuje jinak
• výkony týmů se liší
• receptury „ujíždí“
• vznikají zbytečné ztráty a reklamace

Jak vypadá praktický „AI balíček“ pro škálování potravinářského provozu

Nemusíte začít velkým ERP. V praxi se osvědčuje postup ve třech vrstvách:

1. Standard (SOP) + digitální checklisty

   • jednotné postupy, auditovatelné kroky

2. Datová vrstva

   • prodeje, zásoby, odpady, teploty, doby přípravy

3. Optimalizační vrstva (AI)

   • predikce poptávky, plánování výroby, doporučení nákupů, detekce anomálií

Jednovětá poučka: Bez dat je automatizace jen drahá mechanika.

Praktické kroky: co udělat do 60 dnů, když chcete AI v potravinářství

Odpověď napřímo: Zmapujte proces, změřte odpad, vyberte 1–2 use-casy a nastavte měření návratnosti – teprve potom vybírejte technologii.

Tady je postup, který jsem viděl fungovat u provozů od menších výroben po řetězce:

1. Změřte tři čísla (týdenní baseline):

   • odpad surovin v Kč
   • průměrný čas od objednávky po expedici
   • reklamace / vrácení / nedodržení kvality

2. Vyberte use-case s nejrychlejším dopadem:

   • forecasting a plánování výroby
   • FEFO a expirace
   • kontrola teplot (HACCP digitalizace)

3. Nastavte KPI a „stop pravidla“:

   • např. snížit odpad o 15 % do 12 týdnů
   • když se KPI nehýbe, mění se proces, ne jen nástroj

4. Začněte pilotem na jedné lince/pobočce

   • cílem je naučit organizaci pracovat s daty, ne „nasadit AI“

5. Teprve pak řešte robotiku nebo autonomní doručování

   • robot má být odpověď na jasně popsaný problém

Časté otázky, které padají u AI a automatizace v potravinách

„Není robotika moc drahá pro běžný provoz?“

Drahé bývá hlavně špatné zadání. Nejlevnější projekty jsou často ty, které začnou u dat: digitální evidence odpadů, teplot a výroby.

„Kde se AI vezme, když nemáme data?“

Začne se sbírat jednoduchá data: prodeje, sklad, odpady, teploty, časy. Stačí 4–8 týdnů konzistentního sběru a už se dají dělat první predikce.

„Drony u nás nedávají smysl, tak proč to řešit?“

Nemusíte řešit drony. Řešte princip: optimalizaci posledního kilometru a zkrácení času v řetězci. To jde i lepším plánováním tras, okny vyzvednutí, mikro-sklady nebo chladovým monitoringem.

Kam to celé míří v roce 2026: jídlo jako řízený tok, ne improvizace

AI v zemědělství dnes zlepšuje výnosy, snižuje vstupy a pomáhá plánovat sklizeň. V potravinářství a gastronomii řeší totéž, jen blíž spotřebiteli: plánování, kvalitu, ztráty a logistiku. Příběh MOTO Pizza je zajímavý právě tím, že spojuje výrobu (automatizace v kuchyni) a distribuci (dronové doručení) do jednoho datového problému.

Pokud chcete v roce 2026 růst bez toho, aby vám rostly ztráty a reklamace, doporučuju přemýšlet o provozu jako o řízeném toku surovin, práce a času. AI je nástroj, který ten tok dokáže zpřesnit. Ale jen tehdy, když mu dáte proces a data.

Máte v provozu jedno místo, kde se nejvíc „pálí“ peníze – odpad, čekání, nebo poslední kilometr? Právě tam má smysl začít s první AI automatizací.